Pengoptimasi Deep Learning Untuk Prediksi Data Deret Waktu

Arthur, Christian and Dr.Eng. Novanto Yudistira, S.Kom., M.Sc. and Dr. Candra Dewi, S.Kom, M.Sc. (2024) Pengoptimasi Deep Learning Untuk Prediksi Data Deret Waktu. Sarjana thesis, Universitas Brawijaya.

Abstract

Prediksi deret waktu adalah komponen penting dalam berbagai domain terutama tugas rumit untuk menangkap pola dan ketergantungan yang rumit dalam data times series. AutoCyclic muncul sebagai solusi terobosan, yang mengintegrasikan laju pembelajaran cosine cyclic learning rate dengan mulus dengan penekanan yang cermat pada autokorelasi dan varians. Dalam ranah peramalan deret waktu, di mana ketergantungan jangka panjang dan pola dinamis menjadi tantangan yang signifikan, AutoCyclic menghadirkan pendekatan transformatif. Dengan menyesuaikan laju learning rate secara dinamis berdasarkan karakteristik data deret waktu, AutoCyclic tidak hanya mengatasi masalah seperti underfitting dan overfitting, tetapi juga menonjol karena ketangguhannya yang luar biasa terhadap pencilan. Melalui evaluasi yang ketat di berbagai dataset, termasuk ETTm2, M4, dan WindTurbine, AutoCyclic secara konsisten mengungguli pengoptimal tradisional seperti Adams Optimizer dan Cosine Cyclic Learning Rate, dengan menampilkan nilai Mean Absolute Percentage Error (MAPE) dan Mean Absolute Error (MAE) yang paling rendah. Yang membedakan AutoCyclic bukan hanya akurasi prediktifnya, tetapi juga pengunaan autokorelasi yang cerdik, yang menawarkan keunggulan unik dalam melihat dan memanfaatkan pola yang melekat dalam data deret waktu. Kemampuan intrinsik ini memposisikan AutoCyclic sebagai alat transformatif, mendefinisikan ulang lanskap metodologi peramalan deret waktu dan membuka dimensi baru dalam memanfaatkan autokorelasi untuk prediksi yang lebih mendalam dan akurat.

English Abstract

Time series prediction, a pivotal component in various domains, grapples with the intricate task of capturing intricate patterns and dependencies within sequential data. Autocyclic Learning Rate (AutoCyclic) emerges as a groundbreaking solution, seamlessly integrating cosine cyclic learning rates with a meticulous emphasis on autocorrelation and variance. In the realm of time series forecasting, where long-term dependencies and dynamic patterns pose significant challenges, AutoCyclic presents a transformative approach. By dynamically adjusting learning rates based on the nuanced characteristics of time series data, AutoCyclic not only addresses issues like underfitting and overfitting but also stands out for its exceptional robustness against outliers. Through rigorous evaluations across diverse datasets, including ETTm2, M4, and WindTurbine, AutoCyclic consistently outperforms traditional optimizers like Adams Optimizer and Cosine Cyclic Learning Rate, showcasing the lowest Mean Absolute Percentage Error (MAPE) and Mean Absolute Error (MAE) values. What sets AutoCyclic apart is not just its predictive accuracy; it is the astute exploitation of autocorrelation, offering a unique advantage in discerning and leveraging inherent patterns within time series data. This intrinsic capability positions AutoCyclic as a transformative tool, redefining the landscape of time series forecasting methodologies and opening new dimensions in utilizing autocorrelation for more insightful and accurate predictions.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150054
Uncontrolled Keywords:	Autokorelasi, cosine cyclic learning rate, optimizer, deret waktu, varians-Autocorrelation, cosine cyclic learning rate, deep transformer, optimizer, time series, variance.
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	19 Feb 2024 07:58
Last Modified:	19 Feb 2024 07:58
URI:	http://repository.ub.ac.id/id/eprint/215452

Text (DALAM MASA EMBARGO) CHRISTIAN ARTHUR.pdf Restricted to Registered users only Download (3MB)

Actions (login required)

View Item